[发明专利]材料性能预测模型的构建及应用方法、系统和电子设备

说明书

本发明公开一种材料性能预测模型的构建及应用方法、系统和电子设备，涉及数据处理技术领域。本发明在构建材料性能预测模型的过程中，通过引入粒子群优化方法，实现了对材料(如合金)更高性能的准确预测，并且通过引入帕累托前沿求解的方式，能够实现对多种性能的同时预测。进一步，本发明通过构建材料机理特征池，能够将材料机理与机器学习预测算法相结合，实现了由成分预测合金性能向材料机理预测合金性能的跨越。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种材料性能预测模型的构建及应用方法、系统和电子设备。

背景技术

铝合金在交通运输业、建筑业等领域的轻量化结构应用方面具有巨大潜力。自美国铝业于1915年开发2017年铝合金以来，航空铝合金一直在不断创新以满足航空业的需求。如今，飞机设计中轻质、宽敞、舒适、长期耐用和高可靠性的目标对航空铝合金的性能要求很高，例如突破原始的强度(比强度)指标，同时优化韧性、耐腐蚀性和抗疲劳性等合金性能。此外，一些工程材料如镁合金、钛合金和复合材料如雨后春笋般涌现，它们在飞机结构中的应用已经从次要承载部件过渡到主要承载部件，这给航空铝合金的发展带来了前所未有的挑战。因此，迫切需要精确的设计满足多目标性能要求的航空铝合金新材料。然对于铝合金而言，未经探索的成分设计范围很广，常规的实验试错方法通常是耗时费力的，所以有效发现新合金是一项极具挑战性的任务。

机器学习(Machine Learning，ML)是人工智能的核心技术，其具备低计算成本、短开发周期、强大的数据处理和预测能力等优势。对于材料研究，ML可以显著降低发现新材料的实验频率；同时，ML还优于传统的建模方法，因为它可以从给定的数据中挖掘出内部关系。因此，数据驱动的材料科学研究已成为材料研究中的一个新兴领域。

尽管ML在铝合金设计中的应用取得了巨大进展，但仍有三个潜在问题有待解决。首先，目前的ML建模过程都是针对某一特定类型的铝合金，导致数据分布过于集中，这会对ML模型的预测准确性造成极大影响。其次，在铝合金研究中应用ML的大多数研究旨在建立合金成分与性能或热处理参数与性能之间的关系模型，而很少考虑微观结构信息，这主要是由于铝合金的复杂强化机制和数学量化的困难。第三，新合金元素的发现一直是发展航空铝合金的关键因素。尽管ML具有出色的学习能力，但这些算法在建模数据集中已建立的特征方面受到限制，并且无法预测未提及的元素。因此，传统的建模策略也无法满足航空铝合金可添加元素的发现要求。

发明内容

为解决现有技术存在的上述问题，本发明提供了一种材料性能预测模型的构建及应用方法、系统和电子设备。

为实现上述目的，本发明提供了如下方案：

一种材料性能预测模型的构建方法，包括：

基于材料的物理描述符和化学描述符构建材料机理特征池；所述物理描述符为影响材料性能的物理特征因素；所述化学描述符为影响材料性能的化学特征因素；

采用特征筛选方法从所述材料机理特征池中筛选得到关键特征因素；

基于所述关键特征因素构建材料性能预测模型；所述材料性能预测模型为基于极端梯度提升算法结合粒子群优化方法和帕累托前沿构建得到的预测模型。

可选地，所述基于所述关键特征因素构建材料性能预测模型，具体包括：

选取初始预测模型；

基于所述关键特征因素形成XGBoost库，并基于所述XGBoost库创建xgboost.XGBRegressor实例；

采用所述xgboost.XGBRegressor实例调整所述初始预测模型的模型参数，并在模型参数调整的过程中，使用预设函数进行训练拟合得到中间预测模型；

对比不同中间预测模型间误差，并基于所述误差确定最佳模型参数；